Constrained MPC-Based Motion Planning for Morphing Quadrotors in Ultra-Narrow Passages under Limited Perception
作者: Harsh Modi, Xiao Liang, Minghui Zheng
分类: cs.RO, eess.SY
发布日期: 2026-05-15
🔗 代码/项目: GITHUB
💡 一句话要点
提出一种基于约束MPC的运动规划方法，用于变形四旋翼在狭窄通道内的导航，解决感知受限问题。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 运动规划 变形四旋翼 狭窄空间导航 避障 2D LiDAR 非线性优化
📋 核心要点
- 现有方法在狭窄环境中，基于人工势场的代价函数会产生高代价，阻碍导航。
- 提出一种平滑指数障碍代价函数，降低狭窄间隙内的穿越代价，同时保持避障性能。
- 通过仿真和实验验证，该方法能够使变形四旋翼成功穿越狭窄走廊。
📝 摘要（中文）
本文提出了一种运动规划框架，用于在极端受限环境中规划变形四旋翼的形态和轨迹。我们为非线性模型预测控制（MPC）开发了一种新颖的避障代价函数，该函数能够利用2D LiDAR的有限感知在极其狭窄的间隙中导航。传统的基于人工势场的代价函数通常在狭窄通道中具有较高的代价，从而人为地阻碍了可导航路径。相比之下，我们提出了一种平滑的指数障碍代价函数，该函数在狭窄间隙内保持较低的穿越代价，同时保持强大的避障性能。该公式避免了硬激活阈值，并引入了代价降低因子以降低狭窄通道内的代价。在MPC中直接使用2D LiDAR测量数据可以绕任意形状的障碍物导航。该方法嵌入在基于acados的非线性MPC框架中。仿真和实验结果表明，该方法能够成功穿越典型的排斥代价函数会失效的狭窄走廊。该方法为在狭小空间内导航提供了一种计算高效且实用的解决方案，同时保证了与障碍物的安全性。虽然我们正在变形四旋翼上实施该框架，但代价函数公式具有通用性，适用于任何移动机器人应用，并且不限于变形四旋翼。
🔬 方法详解
问题定义：论文旨在解决变形四旋翼在感知受限的极端狭窄环境中进行运动规划的问题。现有方法，特别是基于人工势场的代价函数，在狭窄通道中会产生过高的代价，导致规划器无法找到可行路径，或者规划出的路径并非最优。这种高代价源于对障碍物的过度排斥，使得机器人难以通过狭窄区域。
核心思路：论文的核心思路是设计一种新的障碍物代价函数，该函数能够在狭窄区域内降低代价，同时保持足够的避障能力。具体而言，采用平滑的指数函数形式，避免了硬阈值带来的不连续性，并引入代价降低因子，进一步降低狭窄区域的代价。这种设计允许机器人在保证安全的前提下，更自由地通过狭窄通道。
技术框架：整体框架基于非线性模型预测控制（NMPC）。首先，利用2D LiDAR获取环境信息。然后，将LiDAR数据直接用于MPC的代价函数计算，避免了复杂的环境建模过程。NMPC求解器基于acados实现，能够高效地计算出最优的形态和轨迹。最后，将控制指令发送给变形四旋翼执行。
关键创新：最重要的技术创新点在于提出的平滑指数障碍代价函数。与传统的人工势场方法相比，该函数在狭窄区域内具有更低的代价，避免了对可行路径的人为阻碍。此外，直接使用2D LiDAR数据，避免了复杂的环境建模，提高了算法的鲁棒性和适应性。
关键设计：代价函数采用指数形式，具体表达式未知（论文未明确给出）。关键参数包括指数函数的缩放因子和代价降低因子，这些参数需要根据具体环境和机器人尺寸进行调整。NMPC的预测时域和控制频率也是重要的设计参数，需要根据计算资源和控制性能进行权衡。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和实验验证了所提出方法的有效性。实验结果表明，该方法能够使变形四旋翼成功穿越典型的排斥代价函数会失效的狭窄走廊。具体的性能数据（如穿越时间、成功率等）未知，但实验结果表明该方法在狭窄环境下的导航能力优于传统方法。
🎯 应用场景
该研究成果可应用于多种场景，例如：灾后救援，在倒塌建筑物的狭小空间内进行搜索；工业巡检，在复杂的设备环境中进行自主导航；农业植保，在密集的农作物中进行精准喷洒。该方法能够提高机器人在复杂环境中的自主导航能力，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
This paper introduces a motion planning framework to plan morphology and trajectory for morphing quadrotors under extremely constrained environments. We develop a novel obstacle avoidance cost function for nonlinear model predictive control (MPC) that enables navigation through extremely narrow gaps under limited perception from a 2D LiDAR. Classical artificial potential field-based costs typically have a high cost in narrow passages, artificially blocking the navigable path. In contrast, we propose a smooth exponential obstacle cost that preserves low traversal cost within narrow gaps while maintaining strong collision avoidance behavior. The formulation avoids hard activation thresholds and introduces a cost reduction factor to reduce the cost within narrow passages. Direct use of 2D LiDAR measurements in MPC allows navigation around arbitrarily shaped obstacles. The method is embedded within an acados-based nonlinear MPC framework. Simulation and experimental results demonstrate successful traversal of narrow corridors where typical repulsive cost functions would fail. The approach provides a computationally efficient and practical solution for navigating through tight spaces while maintaining safety from the obstacles. While we are implementing the framework on the morphing quadrotors, the cost function formulation is general-purpose for any mobile robot application, and is not limited to the morphing quadrotors. The implementation code is available at \href{https://github.com/harshjmodi1996/morphocopter_mpc}{Github Repo} and a short video is available at \href{https://zh.engr.tamu.edu/wp-content/uploads/sites/310/2026/03/MPC_MorphoCopter_video.mp4}{Video Link}.